Page 224 - 《社会》2022年第1期

被访者驱动抽样：基于多种方法的估计诊断

指标来判断“随机招募假设”的违反程度，进而判断样本是否可以进行
有效的 RDS 估计。
目前比较有代表性的有 RDS-I、RDS-II、RDS-SS、RDS-MA 等估计
器 （ Heckathorn and Cameron，2017）。 RDS -I 估 计 器 包 括 赫 克 索 恩
（Heckathorn，1997）、 萨尔加尼克和赫克索恩 （Salganik and Heckathorn，
2004）开发的估计器，这类估计器对子群的同质性差异非常敏感，它被
内置到 RDS 分析软件 RDSAT 中，被称为“经典的 RDS 估计器”。 但是，
RDS-I 估计器需要通过两阶段来实现，比较复杂，相较之下，沃尔茨和
赫克索恩（ Volz and Heckathorn，2008）开发的 RDS-II 估计器更为简洁。
RDS-II 估计器同样对子群同质性差异比较敏感，且考虑到招募模式在
不同子群中无法统一的情况，通过对网络规模的倒数加权，采用类 似
多重估计的方法可以获得对总体的渐进无偏估计。 与 RDS-II 类似的
估计器还有吉尔（ Gile，2011）开发的 RDS-SS 估计器，但该估计器采用
的是连续抽样设计，通过一系列模拟抽样获得近似每个节点的包含概
率来代替被访者的网络规模。 RDS-MA 估计器是吉 尔 和 汉 考 特（Gile
and Handcock，2015）在 RDS-SS 估计器的基础上发展而来，该估计器使
用模型辅助估计方法，可以识别样本对种子的依赖性，以校正种子选
择带来的同质性影响。 由于 RDS-SS 估计器和 RDS-MA 估计器都需要
以总体规模作为生成估计的先决条件，对很难获得总体规模的隐藏群
体而言，此类估计器的应用受到极大限制。 恩德斯兰等（ Abdesselam，et
al.，2020）比较、评估了不同 RDS 估计器在假设违反情况下的表现，研
究发现，总体上，没有哪种估计器是显著优于另一种估计器的。 不过，
在某些情况下可以根据观察到的招募模式选择不同的估计器。 比如，
对 于违反“随机招募假设”带 来的同质 性 问 题 ，使 用 RDS-I 估 计 器 和
RDS-II 估计器进行诊断更为合适（Sirianni，et al.，2021），因为这类估计
器不仅能敏锐地捕捉到子群样本的同质性水平差异，在操作上也更加
成熟和简便。 国内学者，如刘林平等（2015）、萨支红等（2020）、樊敏和
张晓丽（2021），就使用了这类估计器对样本的同质性水平进行诊断。
（二）收敛图和瓶颈图
违反“随 机 招 募 假 设 ”除 了 会 使 样 本同 质 性 水 平 变 高 之 外 ， 还 会
对 RDS 样本质量 产 生 不 良 影 响（Merli，et al.，2015），表 现 为 与 结 果 相
关的非随机招募和与地域相关的非随机招募导 致 样本对 总 体 的代 表

· 217·